CVAE-H: 基于超网络和轨迹预测的条件化变分自编码器用于自动驾驶
介绍了一种新的结构化序列预测方法 —— 有条件流变分自编码器 (CF-VAE),使用新的条件归一化流先验捕获复杂的多模态条件分布;同时,提出两种新的正则化方案,使训练更加稳定。在 MNIST 序列、斯坦福无人机和 HighD 三个数据集上的实验证明,该方法在不同评估指标方面均取得了最新的结果。
Aug, 2019
本文提出了一种基于双条件变分自编码器的社交多模式轨迹预测模型,该模型可通过学习社交交互模式,以及先前轨迹信息进行轨迹预测,并在流行的轨迹基准测试中表现出优异的性能。
Feb, 2022
这篇论文提出了改进的 CVAE 模型,采用无味采样、更结构化的混合潜空间和更富表达力的推理方法,用于轨迹预测和图像建模任务,并在各自数据集上优于现有方法和基准模型。
Oct, 2023
本文探讨了如何使用变分贝叶斯和变分自编码器(VAEs)进行异常检测(AD)任务,提出了一个新的方法来处理具有层次结构的数据。该方法在经典机器学习基准测试和监测 CERN 大型强子对撞机(LHC)实验的触发系统等应用中表现出卓越的性能。
Oct, 2020
本文研究了自主驾驶领域中高度交互场景下的自动驾驶轨迹预测问题,提出了基于条件变分自编码器 (CVAE) 模型的交互式潜空间表示方法以及采用伪标签避免 KL 消失的策略,并在开放数据集上进行了定量和定性评估。
Mar, 2022
本文研究了 Conditional Variational AutoEncoder(CVAE)生成回答时常常与原问题不相关或缺乏逻辑性的原因,并提出了一种寻找中介变量和缓解对话中混淆偏差的方法。在此基础上,提出了动态话题图引导的条件变分自动编码器(TGG-CVAE)模型,用于补充语义空间并减少响应中混淆偏差。实验证明,所提出的模型能够生成相关且信息量丰富的回答,并在自动评估和人类评估方面优于现有的最先进模型。
Sep, 2022
该研究使用条件变分自编码器解决了计算机视觉系统中像素级别预测未来事件的问题,并通过训练多样的真实视频数据成功预测了大量场景中的行为,并且可应用于语义视觉任务。
Jun, 2016
本文提出了一种基于层次结构的潜变量模型来提高模型表达能力,减少模糊预测,用于视频序列的未来帧预测任务,经过实验证明本方法在不同数据集上优于现有的潜变量模型。
Apr, 2019
本文提出了一种应用社交条件变分自动编码器(SocialCVAE)来预测行人轨迹的方法,该方法利用条件变分自动编码器(CVAE)来探索人类运动决策中的行为不确定性,通过使用基于能量的相互作用模型生成交互能量图,提高了行人轨迹预测的准确性。
Feb, 2024